一、數(shù)據(jù)湖

數(shù)據(jù)湖在學(xué)術(shù)上的定義是一種在系統(tǒng)或者存儲庫以自然格式存儲的方法。它有助于存儲各種模式和結(jié)構(gòu)形式的數(shù)據(jù)，通常是對象塊或者文件。

為什么現(xiàn)在會提出新的自然存儲格式方法？以前如何存儲數(shù)據(jù)？在使用數(shù)據(jù)倉庫時需調(diào)動處理大量的數(shù)據(jù)。正是因為大數(shù)據(jù)的產(chǎn)生，提出了數(shù)據(jù)湖的概念。

大數(shù)據(jù)來了，它就像水一樣，我們無法把水存在傳統(tǒng)的倉庫里。一是它太大了，二是它很廉價，三是它的形態(tài)不一樣了。大數(shù)據(jù)速度大快，就像洪水一樣，在使用過程中沒法做減庫、入庫的操作，要快速以自然的格式存儲。因此，傳統(tǒng)數(shù)據(jù)倉庫存的是結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)湖里存的是非結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)。

二、數(shù)據(jù)湖實踐報告

采用數(shù)據(jù)湖存儲數(shù)據(jù)的原因，一方面是現(xiàn)階段及未來需要處理大量非結(jié)構(gòu)化的數(shù)據(jù)，另一方面是為了機(jī)器學(xué)習(xí)和人工智能的分析使用。數(shù)據(jù)湖的產(chǎn)生會把數(shù)據(jù)倉庫的一部分功能移植到數(shù)據(jù)湖中，數(shù)據(jù)湖的成本比數(shù)據(jù)倉庫的成本更低廉。

經(jīng)過使用調(diào)研，近一半的人認(rèn)為企業(yè)使用數(shù)據(jù)湖已經(jīng)迫在眉睫，四分之一的人認(rèn)為已經(jīng)部署了數(shù)據(jù)湖，另外四分之一的人會在一年內(nèi)部署數(shù)據(jù)湖。

很多人把傳統(tǒng)數(shù)據(jù)放在數(shù)據(jù)湖里，數(shù)據(jù)湖不光有原始數(shù)據(jù)，它也有大量的數(shù)據(jù)加工處理工作。它的數(shù)據(jù)量在不斷增加，逐步邁向PB級。

從數(shù)據(jù)管理來說，數(shù)據(jù)湖還是由傳統(tǒng)的數(shù)據(jù)倉庫團(tuán)隊管理和IT部門管理，業(yè)務(wù)部門只占少數(shù)。大部分是工程師、架構(gòu)師和分析師在用數(shù)據(jù)湖，業(yè)務(wù)員和非技術(shù)人員用得比較少。

從架構(gòu)和平臺的采納方面來說，目前數(shù)據(jù)湖以Hadoop為多，傳統(tǒng)數(shù)據(jù)可以采用關(guān)系型數(shù)據(jù)湖，二者結(jié)合使用的也很好。

三、HashData云端數(shù)據(jù)湖解決方案

在青云QingCloud上的數(shù)據(jù)湖包括存儲、分析和搜索幾個模塊。存儲用的是QingStor對象存儲;分析用的是HashData V2版本計算引擎;數(shù)據(jù)攝取用的是QingMR，結(jié)合Kalka做存儲;機(jī)器學(xué)習(xí)除了配有QingMRSteaming和SparkMR，還有SQL機(jī)器學(xué)習(xí)的工具。

在存儲方面，大家對數(shù)據(jù)湖的需求是數(shù)據(jù)湖要存得住、存得起。對象存儲支持海量的數(shù)據(jù)存儲，可以無限擴(kuò)展，存大數(shù)據(jù)沒問題。存得起，就要我們提供一個經(jīng)濟(jì)實用的存儲。從存儲角度來看，如果使用對象存儲，會大幅降低數(shù)據(jù)湖的存儲成本。

存儲成本降下來了，如何保證你的計算性能？從計算層面，HashData采用了V2架構(gòu)。

（1）物聯(lián)網(wǎng)客戶使用實例

HashDataV1版本在塊存儲磁盤上，大概有2萬IoT傳感器設(shè)備，每時每刻都在不斷地產(chǎn)生數(shù)據(jù)，數(shù)據(jù)膨脹得非常厲害。如何按照客戶需求降低成本？通過青云的測試分級存儲機(jī)制，實現(xiàn)了既大幅降低了存儲成本，又保證了查詢性能的目標(biāo)。

HashDataV2的架構(gòu)繼承了GreenPlum體系，用SQL解決問題，這簡化了數(shù)據(jù)湖的使用。

（2）大數(shù)據(jù)工具

大數(shù)據(jù)應(yīng)用對實時性要求比較高。目前用得比較多的三個工具：Storm、Spark Steaming和FLink。對比Spark Steaming和Storm：

實時性：Spark Steaming從計算模型來看是準(zhǔn)實時;Storm是實時的，數(shù)據(jù)進(jìn)入后便實時進(jìn)行處理。

延時性：Storm達(dá)到毫秒級，Spark Steaming達(dá)到秒級。

存儲量：Spark Steaming更3<-點，它更符合大數(shù)據(jù)的處理需求，實現(xiàn)秒級接受可滿足一般應(yīng)用場景需要。若產(chǎn)生幾萬條乃至10萬條數(shù)據(jù)方可批量寫入，不需要逐條寫。

HashData標(biāo)配是采用SparkSteaming做實時數(shù)據(jù)的攝取。

機(jī)器學(xué)習(xí)分析Spark MLab是通用的，更多的是做MADlib，MADlib是Apache的頂級開源項目，只在PostgreSQL和GreenPlum體系里可以用。它的特點是基于SQL，以前用Spark做機(jī)器學(xué)習(xí)，用Python、Skyline或R。SQL大部分工程師都會用，學(xué)一兩周就能簡單上手。Spark能做的具體功能，它也可以做。它也是InDatabase的數(shù)據(jù)分析，數(shù)據(jù)湖就在其所屬的平臺上，如果要采用另外的工具分析，這里有大量的數(shù)據(jù)交換。它在Base里減少數(shù)據(jù)交換，并且可以充分利用HashData的并行計算，可以保證其性能。

四、云端數(shù)據(jù)治理和數(shù)據(jù)安全

前面談到數(shù)據(jù)治理和數(shù)據(jù)安全。HashData秉承PostgreSQL和GreenPlum完整的權(quán)限管理功能，如Table、Database和Funtcion等。

在元數(shù)據(jù)管理上，存到HashData里的表和字段，除了存到數(shù)據(jù)節(jié)點上之外，還會把元數(shù)據(jù)存到GlobalCatalog上，這時數(shù)據(jù)治理工具或者DPU管理員可清楚地知道存到數(shù)據(jù)湖里有哪些數(shù)據(jù)、什么時候存的、數(shù)據(jù)有多大都可一目了然，數(shù)據(jù)治理非常方便。

HashData主要應(yīng)用場景就有工業(yè)數(shù)據(jù)湖。工業(yè)數(shù)據(jù)湖IoT有大量的數(shù)據(jù)需要做分析、預(yù)測性維修等。一部分是電信用戶行為分析、日志分析;還有交通大數(shù)據(jù)處理工作，例如卡口信息，在工作范圍內(nèi)大量拍照，拍照后人工智能攝像頭可以很方便地把牌照信息進(jìn)行結(jié)構(gòu)化處理解析出來，結(jié)構(gòu)化數(shù)據(jù)的存到HashData上，如牌照、車牌顏色等都存在數(shù)據(jù)庫里，并進(jìn)一步分析其流量、高速公路繳費信息等。

總結(jié)來說，HashData的優(yōu)勢是把它放在對象存儲的成本降下來了，同時保證性能不變。HashData也繼承了云的特點，通過鼠標(biāo)操作就可以在幾分鐘內(nèi)把集群起起來，不需要花一兩天的工夫安裝部署。技術(shù)生態(tài)秉承了原來GreenPlum、PostgreSQL這種用SQL解決問題的思路。在彈性方面，HashData支持在線擴(kuò)容。